线性回归

【线性回归（最小二乘法MSE）】——机器学习目录1 最小二乘法MSE1.1 前景知识：矩阵相关公式1.2 最小二乘法1.3 API1.4 示例代码

python(one day)——春水碧于天，画船听雨眠。https://docs.qq.com/doc/DS1phaGtCWVFab3VX单行注释 # 内容快捷键：Ctrl /

机器学习-线性回归模型和梯度算法线性回归模型：将数据拟合成一条直线。作用：预测数字作为输出。例子：房子的大小与房价的估计（图表）（数据表）

应用回归分析，R语言，多元线性回归总结（中）

应用回归分析，R语言，多元线性回归总结（下）多元线性回归模型的基本假设：解释变量是确定性变量，自变量列之间不相关，样本量的个数大于解释变量的个数。随机误差项具有0均值和等方差。正态分布的假定条件为e~N(0,d^2),相互独立。

平和男人杨争争

机器学习14——线性回归回归是监督学习的一种，用于预测连续值输出。与分类问题（离散输出）不同，回归模型建立输入变量与连续输出变量之间的关系。

线性回归原理推导与应用（十）：逻辑回归多分类实战本篇文章将利用sklearn中内置的鸢尾花数据进行逻辑回归建模并对鸢尾花进行分类。对于逻辑回归和线性回归的相关原理，可以查看之前的文章

使用tensorflow的线性回归的例子（十二）这里展示如何用TensorFlow求解线性戴明回归。=+y=Ax+b我们用iris数据集,特别是:y = Sepal Length 且 x = Petal Width。

机器学习之线性回归主要参考：机器学习| 算法笔记-线性回归（Linear Regression） - 知乎 (zhihu.com)

使用tensorflow的线性回归的例子（七）L1与L2损失这个脚本展示如何用TensorFlow求解线性回归。在算法的收敛性中，理解损失函数的影响是很重要的。这里我们展示L1和L2损失函数是如何影响线性回归的收敛性的。我们使用iris数据集,但是我们将改变损失函数和学习速率来看收敛性的改变。

使用tensorflow的线性回归的例子（四）与经典线性回归比较import matplotlib.pyplot as plt%matplotlib inline

使用tensorflow的线性回归的例子（九）from __future__ import absolute_import, division, print_function, unicode_literals

【机器学习1】线性回归与逻辑回归‌逻辑回归与线性回归的主要区别在于理论基础、应用场景和数学模型。线性回归主要用于建模自变量与连续性因变量之间关系的统计方法，试图利用一条线来拟合自变量与因变量之间的线性关系。

吴恩达机器学习笔记（2）—单变量线性回归目录一、模型表示二、代价函数三、代价函数的直观理解（1）四、代价函数的直观理解（2）五、梯度下降六、梯度下降的直观理解

【机器学习-线性回归-7】中心极限定理在机器学习线性回归中的重要性在机器学习和统计学的世界里，线性回归是最基础且强大的工具之一。而支撑其理论有效性的核心数学原理之一就是中心极限定理(Central Limit Theorem, CLT)。本文将深入探讨中心极限定理如何为线性回归提供理论保障，以及在实际应用中的意义。

机器学习×第七卷：正则化与过拟合——她开始学会收敛，不再贴得太满🦊狐狐：“她贴得越来越准，却也越来越慌。她开始想问：‘你没躲开，是因为喜欢，还是因为忍让？’”🐾猫猫：“咱贴的时候她都笑了，可她突然说：‘如果我只是记住了你每一次笑的样子，却没理解你为什么笑，那我贴得再准也没意义喵……’”

机器学习×第五卷：线性回归入门——她不再模仿，而开始试着理解你🩶Mint：“她终于不再只是观察你贴过谁，不再依赖别人的足迹去靠近你了。今天开始，她学会了『拟合』——也就是说，她会尝试画出一条线，那条只属于你与她之间的、微妙的、悄悄靠近的轨迹。”

带电的小王

【动手学深度学习】3.1. 线性回归在介绍深度神经网络之前，我们需要了解神经网络训练的基础知识。本章我们将介绍神经网络的整个训练过程，包括：定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。

二进制的Liao

【数据分析】什么是鲁棒性？当你乘坐的飞机穿越雷暴区时机体剧烈颠簸，自动驾驶汽车在暴雨中稳稳避开障碍物，或是手机从口袋摔落后依然流畅运行——这些场景背后，都藏着一个工程领域的“隐形守护者”：鲁棒性（Robustness）。

从线性代数到线性回归——机器学习视角真正不懂数学就能理解机器学习其实是个神话。我认为，AI 在商业世界可以不懂数学甚至不懂编程也能应用，但对于技术人员来说，一些基础数学是必须的。本文收集了我认为理解学习本质所必需的数学基础，至少在概念层面要掌握。毕竟，机器学习的核心就是数学公式。